Distillery decarbonisation and anaerobic digestion: balancing benefits and drawbacks using a compromise programming approach
Notice bibliographique
Résumé
The anaerobic digestion (AD) of distillery by-products presents benefits such as greenhouse gas (GHG) emission savings and electricity savings, as well as drawbacks such as reduced animal feed and protein production and the potential import of animal feeds. This work balances these benefits and drawbacks using compromise programming (CP). The best combination of byproducts (from 9,261 scenarios) to use in AD was selected based on criteria chosen by management of a large distillery. The use of all by-products maximises benefits and drawbacks; the contrary also applies. When benefits and drawbacks are equally important, CP recommends using 50% of available draff, 50% of available thick stillage, and 55% of available thin stillage. The best combination when accounting for criteria weights chosen by distillery management is the use of 100% of available draff and 100% of available thick stillage. This could replace 48% of natural gas consumption at the distillery, reduce Scope 1 emissions by 45%, achieve a Scope 3 emissions savings of 22% of current Scope 1 emissions, and reduce electricity consumption in the feeds recovery plant of the distillery by 63%. Protein loss of 9,618 t could require the import of 19.59 kilo-tonne wet weight of material (ktwwt) of distillers grains and 9.15 ktwwt of soybean meal. If different criteria or criteria weights were used, a different result would be recommended. The methodology developed herein can aid in decarbonising the food and beverage industry by allowing decision-makers to balance the benefits and drawbacks of AD while accounting for subjective preferences.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».